基于OPGW接头盒的智能反射面通信系统资源优化方法与流程

基于opgw接头盒的智能反射面通信系统资源优化方法
技术领域
1.本发明涉及无线通信资源优化技术领域，具体涉及一种基于opgw接头盒的智能反射面通信系统资源优化方法。


背景技术：

2.随着第五代移动通信(5g)技术和超越第五代移动通信(b5g)技术的商用，智能家居、无人驾驶以及智慧城市等物联网(internet of things,iot)场景不断成熟，大量的无线终端设备如手机、无线传感器等接入网络，数据传输量也呈现持续的指数式增长。无线终端设备小巧便携，随之而来的则是电池容量小、续航不足的问题，需要定期更换电池或充电以延长无线通信网络的寿命。然而，频繁的电池更换既需要大量的维护成本，也不满足b5g时代对于绿色通信的需求。另一方面，随着接入设备数量的增加和通信业务量的持续增长，通信行业存在着大量的能量消耗问题。因此，如何在保证通信质量的同时提高无线通信网络的寿命和能效成为一个关键问题。
3.具有高度灵活性的无人机可以充当空中基站或移动中继，根据通信环境快速调整和部署，从而使无线通信系统具有更高的信道增益，进而提高通信系统性能。基于射频信号既能携带信息又能携带能量的属性，无线携能通信技术设计了同时向终端传输信息和能量的通信模式，进一步有效提高频谱效率和能量利用效率。无线携能通信技术在保证无线设备通信的同时，利用射频信号携带的能量为设备充电，进而提高设备的续航能力和通信系统的可持续性。此外，作为一种新型无源中继技术，智能反射面能够以低成本低功耗调整信道环境从而有效提高通信系统性能，近年来被视为改善通信系统的关键技术。
4.另一方面，物联网的飞速发展引起了接入设备数量和移动数据流量的激增，这将给当前的网络基础架构的容量带来巨大的挑战。为了应对高容量的数据需求，异构网络如小型蜂窝网络技术已经在5g中被广泛应用和部署。然而在传统的无线携能通信网络中，混合接入点的位置固定不变，不同位置的无线接入设备存在远近效应，设备之间的性能公平性难以保证。而在自然灾害、紧急维护、用户位置动态变化等场景，传统的固定基站无法快速部署并建立可靠的无线通信网络。由于其高度灵活性、可自由部署等属性，无人机(unmanned aerial vehicle,uav)已经得到学术界和工业界的广泛关注，无人机辅助的无线通信也逐渐成为研究的热点。得益于低空灵活部署的优势，无人机可以通过调整位置建立可靠的视距传输通信链路，进而提高用户的通信质量。对于移动通信网络中存在的动态需求，无人机也可以通过灵活调整和快速部署适应网络需求，与用户建立高质量、低时延的链路连接。而在紧急场景中，无人机作为空中基站可以快速部署以满足临时通信需求。因此无人机辅助无线通信被视为b5g网络的一大关键技术，将成为传统网络基础架构的有效补充。


技术实现要素：

5.为了克服现有技术存在的缺陷与不足，本发明提供一种基于opgw接头盒的智能反
射面通信系统资源优化方法，本发明结合基于b5g智能反射面的无人机携能通信技术和交替迭代算法的优势，通过合理设置无人机发射的波束向量和相移矩阵以及无人机的平面位置，从而实现系统的最小吞吐量最大化。
6.本发明的第二目的在于提供一种基于opgw接头盒的智能反射面通信系统资源优化系统。
7.本发明的第三目的在于提供一种存储介质。
8.本发明的第四目的在于提供一种计算设备。
9.为了达到上述目的，本发明采用以下技术方案：
10.本发明提供一种基于opgw接头盒的智能反射面通信系统资源优化方法，包括下述步骤：
11.设置具有b5g智能反射面的无人机携能通信系统，其中无人机作为空中基站，建立基于b5g智能反射面的无人机携能通信系统的路径损耗模型和吞吐量模型；
12.将满足能量接收设备的最小能量和无人机的最大发射功率作为约束条件，构建系统最小吞吐量和约束条件的最小吞吐量最大化问题；
13.调整无人机发射信号的波束向量、智能反射面的相位角度矩阵以及无人机的平面位置实现最小吞吐量的最大化，将优化问题拆分为多个只与部分变量有关的子问题进行求解；
14.在将优化问题拆分成子问题优化求解的基础上，建立基于交替迭代的最小吞吐量最大化优化方法，得到优化最小吞吐量最大化问题的次优解。
15.作为优选的技术方案，所述建立基于b5g智能反射面的无人机携能通信系统的路径损耗模型和吞吐量模型，具体步骤包括：
16.地面有个信息接收设备和个能量采集设备均匀分布在n
×
n的区域内，分别用和表示，假设无人机配备有n》1根发射天线，用表示；而地面的能量和信息接收设备均为单天线节点，智能反射面有m个反射单元，用表示，用q
uav
＝(x
uav
,y
uav
)表示无人机的平面悬停位置，h
uav
为无人机的悬停高度；
17.用和分别表示从智能反射面到第个信息接收设备和第个能量采集设备之间的信道增益；表示从无人机到智能反射面之间的信道增益；用和分别表示从无人机到第个信息接收设备和第个能量采集设备之间的信道增益向量；
18.系统中的大尺度衰落用表示，其中pl0表示在基准距离d0＝1m处的路径损耗，di为无人机与第i个设备之间的距离，β表示路径损耗指数，无人机到地面接入设备的直接连接链路和经智能反射面的反射链路的路径损耗指数分别用βu和βr表示；将小尺度衰落视为莱斯衰落信道用ku表示无人机到地面设备的直接连接链路的莱斯衰落因
子，用kr表示无人机到智能反射面以及智能反射面到地面设备的通信链路的莱斯衰落因子；
19.基于上述系统模型，第个信息接收设备接收到的信号表示为：
[0020][0021]
其中，各个量所代表的物理意义描述分别如下：
[0022]
表示智能反射面的相位偏移矩阵，θm∈[0,2π]表示第m个反射单元的相位系数；
[0023]
为信号波束向量，xi为服从均值为0、方差为1的cscg随机变量，即xi～cn(0,1)；
[0024]
为信息接收设备i接收信号时产生的加性高斯白噪声，为数学期望为0，方差为的cscg随机变量；
[0025]
第i个信息接收设备获得的信干噪比为：
[0026][0027]
第i个信息接收设备获得的吞吐量表示为：
[0028]ri
＝log2(1+sinri).
[0029]
在swipt场景下，能量接收设备从环境中的信息信号采集能量，能量接收设备接收到的有效功率为：
[0030][0031]
作为优选的技术方案，所述将满足能量接收设备的最小能量和无人机的最大发射功率作为约束条件，构建系统最小吞吐量和约束条件的最小吞吐量最大化问题，具体步骤包括：
[0032]
设置最低采集能量满足以下条件：
[0033]ej
≥e
th
.
[0034]
假设无人机所能发射的最大功率为p
total
，而无人机实际的传输功率为满足以下约束条件：
[0035][0036]
智能反射面辅助的无人机swipt系统的基于最小通信速率最大化的资源分配问题描述为：
[0037][0038][0039][0040][0041]
其中，优化变量{wi}表示无人机发射信号的波束向量，θ表示智能反射面的相位角度矩阵，q
uav
表示无人机的平面位置，约束条件(b)描述能量接收设备对采集能量的最低需求，即e
th
；约束条件(c)指出无人机的总发射功率不超过p
total
；约束条件(d)描述智能反射面相位设计的约束条件；
[0042]
在满足能量采集设备的最低需求和无人机发射功率限制的条件下，通过联合优化无人机发射波束{wi}、相移矩阵θ以及无人机的平面悬停位置q
uav
，实现最大化信息传输速率最小值的目标。
[0043]
作为优选的技术方案，将优化问题分解为无人机平面位置优化、无人机发射波束向量优化以及智能反射面相位矩阵优化三个子问题分别优化求解。
[0044]
作为优选的技术方案，所述将优化问题拆分为多个只与部分变量有关的子问题进行求解，具体步骤包括：
[0045]
在智能反射面相位矩阵优化算法中，假设无人机悬停位置为无人机平面位置的优化结果发射信号波束向量为无人机发射波束向量优化算法的优化结果则在无人机悬停位置和波束向量参数固定的情况下，优化问题可以简化为：
[0046][0047][0048][0049][0050]
其中
[0051]
将信道增益表达式改写为：
[0052][0053]
其中φ＝[θ,1]，
[0054]
第i个信息接收设备，从波束向量{wk}接收到的信号功率进一步表示为：
[0055]
[0056]
其中x
i,k
＝hiwk,φ＝φφh；
[0057]
对于能量采集设备j,从波束向量{wi}处接收信号等效信道和有效接收功率改写为：
[0058][0059][0060][0061][0062]zj,i
＝gjwi[0063]
优化问题等价表示为：
[0064][0065][0066][0067][0068][0069]
rank(φ)＝1.
[0070]
其中
[0071]
基于sdr理论松弛该条件后，上述问题变为标准的半正定规划问题：
[0072][0073][0074][0075][0076][0077]
该问题可以通过标准凸优化工具包cvx求解，用φ
*
表示求得的最优解，如果其满足秩为1的约束条件，通过矩阵分解的形式求得相应的φ
*
和相移矩阵和相移矩阵如果最优解φ
*
为高秩矩阵，对高秩的最优解φ
*
进行特征值分解基于最大的特征值λ1及其对应的特征向量q1重构{φ}，即
进一步得到相应的最优值
[0078]
作为优选的技术方案，所述建立基于交替迭代的最小吞吐量最大化优化方法，得到优化最小吞吐量最大化问题的次优解，具体步骤包括：
[0079]
初始化：初始化发射信号波束向量{wi}以及智能反射面相位矩阵θ；初始化松弛变量γ0；设置迭代停止标准∈1；
[0080]
重复以下过程直至达到收敛条件，收敛条件为|γ
(n)-γ
(n-1)
|≤∈1；
[0081]
更新：松弛变量
[0082]
求解：基于无人机悬停位置q
uav
和相位矩阵θ，求解子优化问题(37)得到
[0083]
判断：判断是否成立，若不成立，则基于最大特征值得到最优近似{wi}。若成立，则对特征值分解分解得到{wi}；
[0084]
更新：松弛变量
[0085]
求解：基于无人机悬停位置q
uav
和波束向量{wi}，求解子优化问题(43)得到相位矩阵φ
*
；
[0086]
判断：判断是否成立，若不成立，通过最大特征值得到最优近似θ。若成立，则对φ
*
特征值分解得到θ；
[0087]
更新：松弛变量
[0088]
为了达到上述第二目的，本发明采用以下技术方案：
[0089]
一种基于opgw接头盒的智能反射面通信系统资源优化系统，包括：无人机携能通信系统、路径损耗模型和吞吐量模型构建模块、优化问题拆分及求解模块；
[0090]
所述无人机携能通信系统具有b5g智能反射面，设置无人机作为空中基站；
[0091]
所述路径损耗模型和吞吐量模型构建模块用于将满足能量接收设备的最小能量和无人机的最大发射功率作为约束条件，构建系统最小吞吐量和约束条件的最小吞吐量最大化问题；
[0092]
所述优化问题拆分及求解模块用于调整无人机发射信号的波束向量、智能反射面的相位角度矩阵以及无人机的平面位置实现最小吞吐量的最大化，将优化问题拆分为多个只与部分变量有关的子问题进行求解；
[0093]
在将优化问题拆分成子问题优化求解的基础上，建立基于交替迭代的最小吞吐量最大化优化方法，得到优化最小吞吐量最大化问题的次优解。
[0094]
为了达到上述第三目的，本发明采用以下技术方案：
[0095]
一种存储介质，存储有程序，所述程序被处理器执行时实现上述基于opgw接头盒的智能反射面通信系统资源优化方法。
[0096]
为了达到上述第四目的，本发明采用以下技术方案：
[0097]
一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，所述处理器
执行存储器存储的程序时，实现如上述基于opgw接头盒的智能反射面通信系统资源优化方法。
[0098]
本发明与现有技术相比，具有如下优点和有益效果：
[0099]
本发明结合基于b5g智能反射面的无人机携能通信技术和交替迭代算法的优势，通过合理设置无人机发射的波束向量和相移矩阵以及无人机的平面位置，从而实现系统的最小吞吐量最大化。
附图说明
[0100]
图1为本发明基于opgw接头盒的智能反射面通信系统资源优化方法的流程示意图；
[0101]
图2为本发明基于b5g智能反射面通信的中继接入与资源优化方法的无人机天线数量和系统吞吐量的关系示意图；
[0102]
图3为本发明基于b5g智能反射面通信的中继接入与资源优化方法的智能反射面单元数量和系统吞吐量的关系示意图；
[0103]
图4为本发明基于b5g智能反射面通信的中继接入与资源优化方法的设备数量和系统吞吐量的关系示意图。
具体实施方式
[0104]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0105]
实施例1
[0106]
如图1所示，本实施例提供一种基于opgw接头盒的智能反射面通信系统资源优化方法，包括下述步骤：
[0107]
s1：设置具有b5g智能反射面的无人机携能通信系统，其中无人机作为空中基站。其中无人机配备多根发射天线，能量和信息接收设备均为单天线结点，部署在地面。建立基于b5g智能反射面的无人机携能通信系统的路径损耗模型和吞吐量模型；
[0108]
在本实施例中，所需构建的基于智能反射面的无人机携能通信系统的路径损耗模型和吞吐量模型，具体为：
[0109]
地面有个信息接收设备和个能量采集设备均匀分布在n
×
n的区域内，分别用和表示。假设无人机配备有n》1根发射天线，用表示；而地面的能量和信息接收设备均为单天线节点。智能反射面有m个反射单元，用表示。用q
uav
＝(x
uav
,y
uav
)表示无人机的平面悬停位置，h
uav
为无人机的悬停高度。
[0110]
用和分别表示从智能反射面到第个信息接收设备和第个能量采集设备之间的信道增益；表示从无人机到智能反射
面之间的信道增益；用和分别表示从无人机到第个信息接收设备和第个能量采集设备之间的信道增益向量。
[0111]
具体来说，该系统中的大尺度衰落用表示，其中pl0表示在基准距离d0＝1m处的路径损耗，di为无人机与第i个设备之间的距离，β表示路径损耗指数，无人机到地面接入设备的直接连接链路和经智能反射面的反射链路的路径损耗指数分别用βu和βr表示；将小尺度衰落视为莱斯衰落信道用ku表示无人机到地面设备的直接连接链路的莱斯衰落因子，用kr表示无人机到智能反射面以及智能反射面到地面设备的通信链路的莱斯衰落因子。
[0112]
基于上述系统模型，第个信息接收设备接收到的信号可以表示为：
[0113][0114]
其中，各个量所代表的物理意义描述分别如下：
[0115]
(1)表示智能反射面的相位偏移矩阵，θm∈[0,2π]表示第m个反射单元的相位系数。
[0116]
(2)为信号波束向量，xi为服从均值为0、方差为1的cscg随机变量，即xi～cn(0,1)。
[0117]
(3)为信息接收设备i接收信号时产生的加性高斯白噪声，为数学期望为0，方差为的cscg随机变量。
[0118]
因此第i个信息接收设备能够获得的信干噪比为：
[0119][0120]
进而第i个信息接收设备能够获得的吞吐量可以表示为：
[0121]ri
＝log2(1+sinri).
ꢀꢀꢀ
(3)
[0122]
另一方面，在swipt场景下，能量接收设备可以从环境中的信息信号采集能量，能量接收设备接收到的有效功率为：
[0123][0124]
s2：考虑到系统信息接收设备公平性的问题，将满足能量接收设备的最小能量和无人机的最大发射功率作为约束条件，构建系统最小吞吐量和约束条件的最小吞吐量最大化问题。
[0125]
在本实施例中，为了满足能量采集设备对续航的基本需求，即最低采集能量，应满足以下条件：
[0126]ej
≥e
th
.
ꢀꢀꢀ
(5)
[0127]
另一方面，由于无人机的能源也相对有限，总的信号发射功率也受到限制，假设无人机所能发射的最大功率为p
total
，而无人机实际的传输功率为那么应满足以下约束条件：
[0128][0129]
因此，基于满足能量接收设备的最小能量和无人机的最大发射功率等约束条件，从信息接收设备的公平性出发，智能反射面辅助的无人机swipt系统的基于最小通信速率最大化的资源分配问题可以描述为：
[0130][0131][0132][0133][0134]
其中，优化变量{wi}表示无人机发射信号的波束向量，θ表示智能反射面的相位角度矩阵，q
uav
表示无人机的平面位置。约束条件(7b)描述了能量接收设备对采集能量的最低需求，即e
th
；约束条件(7c)指出了无人机的总发射功率不应超过p
total
；约束条件(7d)描述了智能反射面相位设计的约束条件。综上所述，该数学优化问题的含义为：在满足能量采集设备的最低需求和无人机发射功率限制的条件下，通过联合优化无人机发射波束{wi}、相移矩阵θ以及无人机的平面悬停位置q
uav
，实现最大化信息传输速率最小值的目标。
[0135]
由于无人机的平面位置q
uav
和波束向量{wi}以及智能反射面的相移矩阵θ之间存在高度耦合，并且吞吐量表达式中存在干扰信号，使得问题(7)是非线性规划非凸问题，难以直接求解。为了解决该优化问题，将该问题分解为无人机平面位置优化、无人机发射波束向量优化以及智能反射面相位矩阵优化三个子问题分别优化求解。
[0136]
s3：目标是在调整无人机发射信号的波束向量、智能反射面的相位角度矩阵以及无人机的平面位置来实现最小吞吐量的最大化，基于此建立基于智能反射面的无人机携能通信系统的最小吞吐量最大化的数学模型。由于无人机发射的波束向量和相移矩阵以及无人机的平面位置之间存在耦合，以及吞吐量表达式中干扰的存在，优化问题是非凸的，难以直接求解。针对这一情况，通常把原问题拆分成多个只与部分变量有关的子问题，把其他变量视为已知的常数。因此将原优化问题拆分成三个子问题进行求解。
[0137]
在本实施例中，针对原优化问题的目标函数，引入一个松弛变量γ，将问题(7)改写为：
[0138][0139]
[0140][0141][0142][0143]
由于优化变量，即无人机发射的波束向量{wi}和相移矩阵θ以及无人机的平面位置q
uav
之间存在耦合，以及吞吐量表达式中干扰的存在，原优化问题(8)是一个非凸问题，直接求解将十分复杂。针对这一情况，通常把原问题拆分成多个只与部分变量有关的子问题，把其他变量视为已知的常数。每次对子优化问题分析求解，随后将求解出的最优值作为参数代入其他子问题，这样不断迭代更新，直到目标值收敛为止。基于这一理论，本节提出一种基于交替迭代的资源分配算法，即将无人机的平面位置q
uav
、波束向量{wi}以及相移矩阵θ分解，分别求解关于它们的子问题并更新参数，直到满足收敛条件为止。
[0144]
(1)在无人机平面位置优化算法中，固定波束发射向量{wi}和相移矩阵θ，对无人机平面位置q
uav
的子优化问题分析求解。假设波束发射向量{wi}和相移矩阵θ均为满足约束(8b)-(8e)的常数向量，那么优化问题(8)可以重写为：
[0145][0146][0147][0148]
显然问题(9)仍然不满足凸优化条件，考虑到第i个设备，从波束向量接收到的信号功率为
[0149][0150]
通过对式(10)进行拆分，将其改写为：
[0151][0152]
其中：
[0153]
[0154][0155][0156][0157]
βu和βr分别是无人机到地面设备的直接通信链路和无人机经智能反射面到地面设备的反射通信链路的信道损耗指数；ai、b
i,k
、c
i,k
以及d
i,k
表示用户表示用户接收波束信号{wk},时的参数向量；d
u,r
和d
u,i
分别表示无人机到智能反射面以及无人机到地面用户的距离。
[0158]
然而，式(11)关于无人机的悬停位置仍然非常复杂，因此引入松弛变量u和v，
[0159]du,r
≤u
ꢀꢀꢀ
(16)
[0160]du,i
≤viꢀꢀꢀ
(17)
[0161]
则有：
[0162][0163][0164][0165]du,r
≤u,
ꢀꢀ
(18d)
[0166][0167]
其中表示用户从波束信号{wk},},的有效接收功率，其中fk(u,vi)是关于u和vi的凸函数。
[0168]
由于子优化问题(18)中的约束条件仍然不满足凸优化问题的形式，需要对其进行进一步的松弛和改写。
[0169]
针对约束条件(18b)，由于该函数是凸函数与凸函数相除的形式，且分子分母均为正数，考虑将其改写为如下形式：
[0170][0171]
不等式约束(28)的第一项为凸函数，而第二项中存在变量u和vi的乘积，基于sca原理，通过一阶泰勒展开公式代替原函数fk(u,vi)，将其转换为仿射函数的形式：
[0172][0173][0174]
其中，u
(n)
,分别为第n轮迭代中得到的变量u和vi最优值。
[0175]
则约束条件(18b)可以改写为：
[0176][0177]
对于约束条件(18c)，其左端为凸函数，该不等式为非凸约束，同样采用一阶泰勒的方式将其转换为仿射函数：
[0178][0179]
由于约束条件(18d)和(18e)同样不满足凸优化准则，对其进行进一步的松弛：
[0180][0181][0182]
通过上述分析，问题(18)中的约束条件变为凸约束，问题(18)变为标准的凸优化问题：
[0183][0184][0185][0186][0187]
[0188]
对于上述标准凸优化问题(34)，可以通过标准解法如内点法、cvx工具包等求得最优解
[0189]
(2)在无人机发射波束向量优化算法中，假设无人机的悬停位置设置为无人机平面位置优化算法的优化结果且irs相移矩阵θ为满足约束(8e)的固定值，则优化问题(8)可以改写为：
[0190][0191][0192][0193][0194]
其中表示无人机到第i个信息接收设备的等效信道，表示无人机到第i个信息接收设备的等效信道，表示无人机到第j个能量采集设备的等效信道。
[0195]
可以看出在给定松弛参数γ时，问题(35)是一个非凸的qcqp问题，其中约束条件(35b)、(35c)非凸。针对这一问题，考虑引入新的变量且rank(wi)＝1,即wi是秩为1的半正定矩阵。因此，优化问题(35)可以进一步改写为：
[0196][0197][0198][0199][0200][0201]
rank(wi)＝1.
ꢀꢀꢀ
(36f)
[0202]
其中表示信息接收设备i的有效接收功率与加权干扰之间的差值，为能量节点j的有效接收功率。
[0203]
由于优化问题(36)中仍存在非凸约束即(46f)，基于sdr理论，通过松弛这一约束
条件，问题(36)变为标准的半正定规划问题：
[0204][0205][0206][0207][0208][0209]
其中γ为指定初始值或由上一轮最优解计算得出，问题(37)可以通过标准凸优化工具包如cvx求解。令表示求解上述问题得到的最优解。如果满足秩为1的约束条件，可以通过奇异值分解的方式获得对应的最优波束向量然而，由于在求解时松弛了秩为1的约束条件，如果求解出的为高秩矩阵，则需要通过进一步的处理获得对应的最优波束向量。首先，对矩阵进行特征值分解，其中λj为矩阵的第j个特征值，λ1≥λ2≥
…
≥λr》0，而qj是第j个特征值对应的特征向量。因此矩阵的最佳近似为相对应地，原优化问题的最优近似值为
[0210]
(3)在智能反射面相位矩阵优化算法中，假设无人机悬停位置为无人机平面位置的优化结果发射信号波束向量为无人机发射波束向量优化算法的优化结果则在无人机悬停位置和波束向量参数固定的情况下，优化问题(8)可以简化为：
[0211][0212][0213][0214][0215]
其中
[0216]
由于问题(38)中约束(38b)、(38c)关于θ非凸，因此将信道增益表达式改写为：
[0217][0218]
其中φ＝[θ,1]，
[0219]
基于公式(39)，第i个信息接收设备，从波束向量{wk}接收到的信号功率进一步可以表示为：
[0220][0221]
其中x
i,k
＝hiwk,φ＝φφh。
[0222]
同样的，对于能量采集设备j,从波束向量{wi}处接收信号等效信道和有效接收功率可以改写为：
[0223][0224]
基于上述描述，优化问题(38)可等价表示为：
[0225][0226][0227][0228][0229][0230]
rank(φ)＝1.
ꢀꢀꢀ
(42f)
[0231]
其中
[0232]
问题(42)中存在非凸约束条件(42f)，基于sdr理论松弛该条件后，上述问题变为标准的半正定规划问题：
[0233][0234][0235][0236][0237][0238]
该问题可以通过标准凸优化工具包cvx求解。用φ
*
表示求得的最优解，如果其满足秩为1的约束条件，可以通过矩阵分解的形式求得相应的φ
*
和相移矩阵
然而，如果最优解φ
*
为高秩矩阵，则同样需要进一步处理。具体来说，首先，对高秩的最优解φ
*
进行特征值分解随后，基于最大的特征值λ1及其对应的特征向量q1重构{φ}，即进一步得到相应的最优值
[0239]
s4：针对所提出的最小吞吐量最大化问题，在将原问题拆分成三个子问题优化求解的基础上，建立基于交替迭代的最小吞吐量最大化优化方法，从而寻求优化最小吞吐量最大化问题的次优解。
[0240]
在本实施例中，采用交替迭代算法来更新逼近最大的最小吞吐量具体步骤如下：
[0241]
a1、初始化：初始化发射信号波束向量{wi}以及智能反射面相位矩阵θ；初始化松弛变量γ0；设置迭代停止标准∈1；
[0242]
a2、重复以下过程直至达到收敛条件，收敛条件为|γ
(n)-γ
(n-1)
|≤∈1；
[0243]
a3、更新：松弛变量
[0244]
a4:、求解：基于无人机悬停位置q
uav
和相位矩阵θ，求解子优化问题(37)得到
[0245]
a5、判断：判断是否成立，若不成立，则基于最大特征值得到最优近似{wi}。若成立，则对特征值分解分解得到{wi}；
[0246]
a6、更新：松弛变量
[0247]
a7、求解：基于无人机悬停位置q
uav
和波束向量{wi}，求解子优化问题(43)得到相位矩阵φ
*
；
[0248]
a8、判断：判断是否成立，若不成立，通过最大特征值得到最优近似θ。若成立，则对φ
*
特征值分解得到θ；
[0249]
a9、更新：松弛变量
[0250]
如图2-图4所示，本实施例提供基于opgw接头盒的智能反射面通信系统资源优化方法的仿真效果，仿真参数设置为：无人机飞行高度h＝10m，无人机发射功率p＝1w，无人机直接连接信道路径损耗指数βu＝2.5，智能反射面反射信道路径损耗指数βr＝2，无人机直接连接信道莱斯衰落因子ku＝0，智能反射面反射信道莱斯衰落因子kr＝3，基准距离路径损耗pl0＝1
×
10-2
，无人机天线个数n＝4，智能反射面反射单元,m＝5，高斯加性噪声信号功率σ2＝1
×
10-7
w，迭代停止标准∈1＝1
×
10-3
。
[0251]
图2和图3分别给出了无人机天线个数n和智能反射面反射单元个数m的变化对于系统吞吐量性能的影响。在该仿真中，每个能量接收设备对于接收功率的最低需求为e
th
＝
0.5μw，信息接收设备和能量采集设备数量分别为ki＝3，ke＝3。从图2中可以观察到，无人机天线个数的增加能够显著提高系统最小吞吐量。这表明通过在无人机基站部署多天线阵列能够有效提高通信系统性能。图3中能够看出，随着智能反射面反射单元数量的增加，系统最小吞吐量也呈现增长趋势。这是因为随着天线个数和智能反射面反射单元的增加，系统的通信链路质量得到充分优化，能量设备和信息设备的有效接收功率也得以提高。
[0252]
图4给出了在接收设备数量ki和ke变化时，系统最小吞吐量的变化趋势。假设能量接收设备对于接收功率的最低需求为e
th
＝0.5μw。从图4可以观察到，随着信息接收设备数目的增加，系统最小吞吐量呈现下降趋势。该仿真结果的原因在于：当其他条件固定的情况下，随着用户个数的增加，每个用户被分配到的功率必然降低，在能量采集设备的最低能量需求的约束下，信息接收设备有效接收功率会进一步降低；此外，有限区域内均匀分布的设备数量增加，信息接收设备之间距离变近，干扰信号也会随之增强。在该场景中，本实施例所提出的迭代优化算法在吞吐量性能上仍然领先于其他基准场景，充分展现了智能反射面和无人机对于改善信道环境和扩展空间自由度的优势。
[0253]
实施例2
[0254]
本实施例提供一种基于opgw接头盒的智能反射面通信系统资源优化系统，包括：无人机携能通信系统、路径损耗模型和吞吐量模型构建模块、优化问题拆分及求解模块；
[0255]
所述无人机携能通信系统具有b5g智能反射面，设置无人机作为空中基站；
[0256]
所述路径损耗模型和吞吐量模型构建模块用于将满足能量接收设备的最小能量和无人机的最大发射功率作为约束条件，构建系统最小吞吐量和约束条件的最小吞吐量最大化问题；
[0257]
所述优化问题拆分及求解模块用于调整无人机发射信号的波束向量、智能反射面的相位角度矩阵以及无人机的平面位置实现最小吞吐量的最大化，将优化问题拆分为多个只与部分变量有关的子问题进行求解；
[0258]
在将优化问题拆分成子问题优化求解的基础上，建立基于交替迭代的最小吞吐量最大化优化方法，得到优化最小吞吐量最大化问题的次优解。
[0259]
实施例3
[0260]
本实施例提供一种存储介质，存储介质可以是rom、ram、磁盘、光盘等储存介质，该存储介质存储有一个或多个程序，所述程序被处理器执行时，实现实施例1的基于opgw接头盒的智能反射面通信系统资源优化方法。
[0261]
实施例4
[0262]
本实施例提供一种计算设备，所述的计算设备可以是台式电脑、笔记本电脑、智能手机、pda手持终端、平板电脑或其他具有显示功能的终端设备，该计算设备包括该计算设备包括处理器和存储器，存储器存储有一个或多个程序，处理器执行存储器存储的程序时，实现实施例1的基于opgw接头盒的智能反射面通信系统资源优化方法。
[0263]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。